KR20240069101A - 시계열로 측정된 3상 모터 진동 데이터의 분포 추정에 따른 고장 진단 방법 및 장치 - Google Patents
시계열로 측정된 3상 모터 진동 데이터의 분포 추정에 따른 고장 진단 방법 및 장치 Download PDFInfo
- Publication number
- KR20240069101A KR20240069101A KR1020220150258A KR20220150258A KR20240069101A KR 20240069101 A KR20240069101 A KR 20240069101A KR 1020220150258 A KR1020220150258 A KR 1020220150258A KR 20220150258 A KR20220150258 A KR 20220150258A KR 20240069101 A KR20240069101 A KR 20240069101A
- Authority
- KR
- South Korea
- Prior art keywords
- probability distribution
- threshold
- phase motor
- failure
- data
- Prior art date
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003745 diagnosis Methods 0.000 claims abstract description 49
- 238000005259 measurement Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 25
- 238000004088 simulation Methods 0.000 description 11
- 238000013450 outlier detection Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
본 발명은 3상 모터에 대한 고장을 진단하기 위한 기술로서, 일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법은 정상상태에서의 3상 모터로부터 진동 데이터를 수집하여 확률 분포를 추정하는 단계, 상기 추정된 확률 분포를 저장하고 유지하는 단계, 상기 3상 모터로부터 진동 데이터를 실시간 측정하여 측정 데이터를 수집하는 단계, 상기 측정 데이터가 상기 추정된 확률 분포에서 아우티지 확률(Outage Probability)에 해당하는지 여부를 판단하는 단계, 및 상기 판단 결과를 고려하여, 상기 3상 모터에 대한 고장을 판별하는 단계를 포함할 수 있다.
Description
본 발명은 3상 모터에 대한 고장을 진단하기 위한 기술로서, 구체적으로는 진동 센서를 이용하여 3상 모터로부터 진동 데이터를 수집하고 수집된 진동 데이터의 분포 추정에 따른 이상치(Anomaly) 탐지를 통해 3상 모터의 고장을 진단하는 기술적 사상에 관한 것이다.
기존에는 모터를 진단하기 위해 모터의 소리를 통해 사람이 모터의 고장을 판단하였다.
한편, 근래에는 모터에 들어가는 전류, 진동을 FFT로 확인하여 고장 진단하는 방법이 사용되고 있다.
이러한 근래의 방법은 모터에 대한 고장 진단의 정확도와 효율을 높일 수 있지만, 다양한 문제점이 존재한다.
예를 들어, FFT 변환을 위한 잦은 샘플링과 전용 키트가 필요하다는 단점이 존재한다.
일반적으로 모터 고장 시 먼저 입력전류에서 이상치가 발견되고, 이후 진동, 온도 순으로 이상치가 발견된다.
경우에 따라 이와 같은 순서를 따르지 않기도 하지만 고장이 발생할 경우 입력전류, 진동, 온도에서 전체적으로 이상치가 발견된다.
이상치(Anomaly)란 가정한 데이터의 분포로 설명되지 않는 값으로, 산업계의 경우 3상 모터의 이상치를 미리 탐지하여 고장을 미리 대비할 필요가 있다.
이상치는 정상 데이터보다 크게 발생할 수도 있고 일부는 더 작게 발생할 수도 있다. 따라서 측정한 센싱 값을 시간 영역에서 확인하여 하나라도 이상치를 보이면 고장에 대한 모니터링을 시작하고 이후 다른 센싱 결과에서의 이상치가 복합적으로 보여지면 고장이라고 판단하는 과정이 필요하다.
기존에 많이 사용되는 문턱값(threshold) 설정 방식으로는 CFAR(Constant False Alarm Rate)가 있지만 구현이 복잡해 실제 현장에서 사용이 어렵다.
고장에 대비하기 위해 수집되는 데이터로는 온도, 전류, 진동 데이터 등이 있다. 일정한 상수로 나타나는 온도 데이터나 sinusoidal 형태를 보이는 전류 데이터와 달리 진동 데이터는 랜덤한 양의 실수 값을 띈다.
일반적인 이상치 탐지 방안으로는 측정 값이 일정한 문턱값(threshold)을 넘어서면 이상이 있는 것으로 나타내는 방법이 있다. 일반적으로 이상치 탐지를 위한 문턱값을 낮게 설정하면 오보(false alarm)가 자주 발생하고, 높게 설정하면 이상치를 탐지하기 어렵다는 단점이 있다. 따라서 적절한 문턱값 설정이 필요한데 이때 오보에 의한 이상치 보고를 특정 퍼센트 이하로 조절하는 CFAR(Constant False Alarm Rate) 방식이 사용된다.
모터의 진동 값은 모터가 설치된 환경이나 진동 센서의 부착 부위 등에 따라서 다르게 나타나서 상기의 CFAR과 같은 문턱값 설정에 따른 이상치 탐지가 용이하지 않을 뿐 더러 성능이 보장되지 않는다.
본 발명은 진동 센서 데이터의 분포 추정에 따른 이상치(Anomaly) 탐지를 이용하여 3상 모터의 고장을 진단하는 것을 목적으로 한다.
본 발명은 진동 데이터들의 확률 분포를 추정하고, 측정치가 확뷸 분포에서 아우티지(outage)에 해당하는 값을 보이면 고장이 있다고 진단함으로써, 수학적으로 증명된 이상치 탐지 기술을 제공하는 것을 목적으로 한다.
본 발명은 전류, 전압, 온도, 진동치와 같이 시계열 예측이 불가능한 측정 값을 이용한 고장 진단에 적용하는 것을 목적으로 한다.
본 발명은 정상 상태에서의 실측 데이터들에 대한 확률 분포를 한번 추정하고 나면 그 이후에는 별도의 학습이나 검증이 필요없어 시계열 예측이나 인공지능 적용 방법보다 사용이 간편한 3상 모터의 고장 진단 기술을 제공하는 것을 목적으로 한다.
일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법은 정상상태에서의 3상 모터로부터 진동 데이터를 수집하여 확률 분포를 추정하는 단계, 상기 추정된 확률 분포를 저장하고 유지하는 단계, 상기 3상 모터로부터 진동 데이터를 실시간 측정하여 측정 데이터를 수집하는 단계, 상기 측정 데이터가 상기 추정된 확률 분포에서 아우티지 확률(Outage Probability)에 해당하는지 여부를 판단하는 단계, 및 상기 판단 결과를 고려하여, 상기 3상 모터에 대한 고장을 판별하는 단계를 포함할 수 있다.
일실시예에 따른 상기 아우티지 확률(Outage Probability)에 해당하는지 여부를 판단하는 단계는, 제1 임계값과 상기 제1 임계값 보다 작은 제2 임계값으로 구분하여 상기 아우티지 확률(Outage Probability)을 판단하는 단계를 포함하고, 상기 3상 모터에 대한 고장을 판별하는 단계는, 상기 측정 데이터가 상기 제1 임계값 보다 작고 상기 제2 임계값 보다 큰 경우에는 상기 3상 모터에 대한 모니터링을 시작하는 단계, 상기 측정 데이터가 상기 제2 임계값 보다 작은 경우에는 상기 3상 모터를 고장으로 판별하는 단계를 포함할 수 있다.
일실시예에 따른 상기 제1 임계값은 10%이고, 상기 제2 임계값은 5%인 것을 특징으로 한다.
일실시예에 따른 상기 진동 데이터를 수집하여 확률 분포를 추정하는 단계는, 가우시안 분포, Chi-Square 분포, log-normal 분포 등 고려하는 확률 분포 중에서 적어도 하나의 확률 분포로 가공하여 추정하는 단계를 포함할 수 있다.
일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법은 측정 데이터가 특정 범위내에서 존재하는지 판단하는 단계, 상기 측정 데이터가 특정 범위 내에서 존재하는 경우, 고장이 아니라고 진단하는 단계를 더 포함하고 상기 아우티지 확률(Outage Probability)에 해당하는지 여부를 판단하는 단계는, 상기 범위가 기준값 이상으로 초과했는지 여부를 판단하는 단계를 포함하며, 상기 3상 모터에 대한 고장을 판별하는 단계는 상기 범위가 기준값 이상으로 초과한 경우에 상기 3상 모터를 대한 고장으로 판별하는 단계를 포함할 수 있다.
일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 장치는 정상상태에서의 3상 모터로부터 진동 데이터를 수집하여 확률 분포를 추정하는 확률 분포 추정부, 상기 추정된 확률 분포를 저장하고 유지하는 저장부, 상기 3상 모터로부터 진동 데이터를 실시간 측정하여 측정 데이터를 수집하는 센싱부, 상기 측정 데이터가 상기 추정된 확률 분포에서 아우티지 확률(Outage Probability)에 해당하는지 여부를 판단하는 판단부, 및 상기 판단 결과를 고려하여, 상기 3상 모터에 대한 고장을 판별하는 고장 판별부를 포함할 수 있다.
일실시예에 따른 상기 판단부는, 제1 임계값과 상기 제1 임계값 보다 작은 제2 임계값으로 구분하여 상기 아우티지 확률(Outage Probability)을 판단하고, 상기 고장 판별부는 상기 측정 데이터가 상기 제1 임계값 보다 작고 상기 제2 임계값 보다 큰 경우에는 상기 3상 모터에 대한 모니터링을 시작하고, 상기 측정 데이터가 상기 제2 임계값 보다 작은 경우에는 상기 3상 모터를 고장으로 판별할 수 있다.
일실시예에 따른 상기 제1 임계값은 10%이고, 상기 제2 임계값은 5%인 것을 특징으로 한다.
일실시예에 따른 상기 확률 분포 추정부는, 가우시안 분포, Chi-Square 분포, log-normal 분포 등 고려하는 확률 분포들 중에서 적어도 하나의 확률 분포로 가공하여 추정할 수 있다.
일실시예에 따른 상기 판단부는, 상기 측정 데이터가 특정 범위 내에서 존재하는 경우, 고장이 아니라고 진단하고, 상기 아우티지 확률(Outage Probability)에 해당하는지 여부를 판단하기 위해, 상기 범위가 기준값 이상으로 초과했는지 여부를 판단하며, 상기 고장 판별부는, 범위가 기준값 이상으로 초과한 경우에 상기 3상 모터를 대한 고장으로 판별할 수 있다.
일실시예에 따르면, 진동 센서 데이터의 분포 추정에 따른 이상치(Anomaly) 탐지를 이용하여 3상 모터의 고장을 진단할 수 있다.
일실시예에 따르면, 진동 데이터들의 확률 분포를 추정하고, 측정치가 확률 분포에서 아우티지(outage)에 해당하는 값을 보이면 고장이 있다고 진단함으로써, 수학적으로 증명된 이상치 탐지 기술을 제공할 수 있다.
일실시예에 따르면, 전류, 전압, 온도, 진동치와 같이 시계열 예측이 불가능한 측정 값을 이용한 고장 진단에 적용할 수 있다.
일실시예에 따르면, 정상 상태에서의 실측 데이터들에 대한 확률 분포를 한번 추정하고 나면 그 이후에는 별도의 학습이나 검증이 필요없어 시계열 예측이나 인공지능 적용 방법보다 사용이 간편한 3상 모터의 고장 진단 기술을 제공할 수 있다.
일실시예에 따르면, 전류, 전압, 온도, 진동치와 같이 시계열 예측이 불가능한 측정 값을 이용한 고장 진단에 적용할 수 있다.
일실시예에 따르면, 정상 상태에서의 실측 데이터들에 대한 확률 분포를 한번 추정하고 나면 그 이후에는 별도의 학습이나 검증이 필요없어 시계열 예측이나 인공지능 적용 방법보다 사용이 간편하다.
일실시예에 따르면, 스마트 공장 및 자동화 시장이 증가함에 따라 모터의 수요가 늘어나는 추세이므로 이상치 탐지 알고리즘의 수요가 매우 높다.
일실시예에 따르면, 향후 전기차 시장에서 실시간 고장 진단에 활용될 수 있다.
도 1은 일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법을 설명하는 도면이다.
도 2는 일실시예에 따른 3상 모터에 대한 고장을 판별 과정을 설명하는 도면이다.
도 3은 일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 장치를 설명하는 도면이다.
도 4a는 모터(Old, 정속)로부터 측정된 시계열 모터 데이터를 나타내는 도면이다.
도 4b는 모터(Old, 가변)로부터 측정된 시계열 모터 데이터를 나타내는 도면이다.
도 4c는 모터(New, 정속)로부터 측정된 시계열 모터 데이터를 나타내는 도면이다.
도 4d는 측정된 시계열 모터 데이터들에 대한 분포를 비교하는 도면이다.
도 5a는 Variance에 따른 확률 분포를 나타내는 도면이다.
도 5b는 Skew에 따른 확률 분포를 나타내는 도면이다.
도 5c는 Kurtosis에 따른 확률 분포를 나타내는 도면이다.
도 6a는 모터(Old, 정속)로부터 측정된 시계열 모터 데이터의 시뮬레이션 결과를 나타내는 도면이다.
도 6b는 모터(Old, 가변)로부터 측정된 시계열 모터 데이터의 시뮬레이션 결과를 나타내는 도면이다.
도 6c는 모터(New, 정속)로부터 측정된 시계열 모터 데이터의 시뮬레이션 결과를 나타내는 도면이다.
도 2는 일실시예에 따른 3상 모터에 대한 고장을 판별 과정을 설명하는 도면이다.
도 3은 일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 장치를 설명하는 도면이다.
도 4a는 모터(Old, 정속)로부터 측정된 시계열 모터 데이터를 나타내는 도면이다.
도 4b는 모터(Old, 가변)로부터 측정된 시계열 모터 데이터를 나타내는 도면이다.
도 4c는 모터(New, 정속)로부터 측정된 시계열 모터 데이터를 나타내는 도면이다.
도 4d는 측정된 시계열 모터 데이터들에 대한 분포를 비교하는 도면이다.
도 5a는 Variance에 따른 확률 분포를 나타내는 도면이다.
도 5b는 Skew에 따른 확률 분포를 나타내는 도면이다.
도 5c는 Kurtosis에 따른 확률 분포를 나타내는 도면이다.
도 6a는 모터(Old, 정속)로부터 측정된 시계열 모터 데이터의 시뮬레이션 결과를 나타내는 도면이다.
도 6b는 모터(Old, 가변)로부터 측정된 시계열 모터 데이터의 시뮬레이션 결과를 나타내는 도면이다.
도 6c는 모터(New, 정속)로부터 측정된 시계열 모터 데이터의 시뮬레이션 결과를 나타내는 도면이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법을 설명하는 도면이다.
일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법은 3상 모터가 정상적으로 동작하는 정상상태에서, 3상 모터로부터 진동 데이터를 수집하여 확률 분포를 추정한다(단계 101). 일례로, 일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법은 가우시안 분포, Chi-Sqaure 분포, log-normal 분포 등 고려하는 확률 분포 중에서 적어도 하나의 확률 분포로 가공하여 추정할 수 있다.
또한, 일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법은 추정된 확률 분포를 저장하고 유지할 수 있다(단계 102).
일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법은 3상 모터로부터 진동 데이터를 실시간 측정함으로써, 측정 데이터를 수집할 수 있다(단계 103).
다음으로, 일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법은 단계 104를 통해 측정 데이터가 상기 추정된 확률 분포에서 아우티지 확률(Outage Probability)에 해당하는지 여부를 판단할 수 있다.
일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법은 단계 104의 판단 결과를 고려하여, 3상 모터에 대한 고장을 판별할 수 있다.
아우티지 확률(Outage Probability)에 해당하는지 여부를 판단하는 과정은 이하 도 2를 통해 구체적으로 설명한다.
도 2는 일실시예에 따른 3상 모터에 대한 고장을 판별 과정을 설명하는 도면이다.
단계 103에서 3상 모터로부터 진동 데이터를 실시간 측정하면, 일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법은 우선 제1 임계값과 측정된 진동 데이터를 대비하여 이하인지 여부를 판단할 수 있다(단계 201).
또한, 일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법은 단계 201의 판단 결과에 따라 3상 모터에 대한 모니터링을 시작할 수 있다(단계 202).
또한, 3상 모터에 대한 모니터링 과정에서 측정된 진동 데이터와 제2 임계값을 비교하여 측정된 진동 데이터가 제2 임계값 이하인지 여부를 추가 판단할 수 있다(단계 203).
일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법은 측정된 진동 데이터가 제2 임계값 이하인 경우에 3상 모터를 고장으로 판별할 수 있다(단계 204).
즉, 측정 데이터가 제1 임계값 보다 작고 제2 임계값 보다 큰 경우에는 3상 모터에 대한 모니터링을 시작하고, 측정 데이터가 상기 제2 임계값 보다 작은 경우에는 상기 3상 모터를 고장으로 판별할 수 있다.
본 발명의 일실시예에 따른 제1 임계값과 제2 임계값은 서로 다른 크기를 갖는다.
예를 들어, 본 발명에서는 제1 임계값과 상기 제1 임계값 보다 작은 제2 임계값으로 구분하여 아우티지 확률(Outage Probability)을 판단할 수 있다.
보다 구체적으로, 제1 임계값은 10%로, 제2 임계값은 5%로 하여 아우티지 확률(Outage Probability)을 판단할 수 있다.
즉, 측정된 진동 데이터가 확률 분포의 10%의 확률 범위에 있으면 고장에 대한 모니터링을 시작하고, 분포의 5%의 확률 범위에 존재하게 되면 고장이라고 판단할 수 있다.
모터의 진동 데이터는 모터가 설치된 환경이나 진동 센서의 부탁 부위 등에 따라서 다르게 나타나서 CFAR과 같은 문턱값 설정에 따른 이상치 탐지가 용이하지 않을 뿐 더러 성능이 보장되지 않는다.
모터의 진동 데이터는 그 특성상 거의 랜덤한 형태를 보이기 때문에 본 발명에서는 진동 데이터들의 확률 분포를 추정하고, 측정 데이터가 확률 분포에서 아우티지에 해당하는 값을 보이면 고장이 있다고 진단할 수 있다.
본 발명에서는 진동 센서로부터 수집된 진동 데이터의 분포 추정에 따른 이상치(Anomaly) 탐지를 통한 3상 모터의 고장을 진단할 수 있다. 이상치(Anomaly)란 가정한 데이터의 분포로 설명되지 않는 값으로, 산업계의 경우 3상 모터의 이상치를 미리 탐지하여 고장을 미리 대비할 필요가 있다.
고장에 대비하기 위해 수집되는 데이터로는 온도, 전류, 진동 데이터 등이 있다. 일정한 상수로 나타나는 온도 데이터나 sinusoidal 형태를 보이는 전류 데이터와 달리 진동 데이터는 랜덤한 양의 실수 값을 띈다. 본 발명은 랜덤한 진동 센서가 따르는 분포를 추정하고, 이 분포를 통해 진동 센서 데이터의 이상치를 판단할 수 있다.
한편, 일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법은 측정 데이터가 특정 범위내에서 존재하는지 판단할 수 있다. 이를 위해, 측정 데이터가 특정 범위 내에서 존재하는 경우, 고장이 아니라고 진단할 수 있다.
또한, 일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법은 아우티지 확률(Outage Probability)에 해당하는지 여부를 판단하고, 범위가 기준값 이상으로 초과했는지 여부를 판단할 수 있다.
또한, 일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법은 3상 모터에 대한 고장을 판별하기 위해, 범위가 기준값 이상으로 초과한 경우에 상기 3상 모터를 대한 고장으로 판별할 수도 있다.
도 3은 일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 장치(300)를 설명하는 도면이다.
일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 장치(300)는 수집된 진동 데이터와 관련하여, 사전에 추정된 확률 분포에 대한 포함 여부만 판단하면 되므로 기존의 방법보다 진단이 빠르고 실시간으로 고장을 진단할 수 있다.
이를 위해, 일실시예에 따른 진동 데이터의 확률 분포 추정에 따른 고장 진단 장치(300)는 확률 분포 추정부(310), 저장부(320), 센싱부(330), 판단부(340), 고장 판별부(350), 및 제어부(360)를 포함할 수 있다.
일실시예에 따른 확률 분포 추정부(310)는 정상상태에서의 3상 모터로부터 진동 데이터를 수집하여 확률 분포를 추정할 수 있다.
예를 들어, 확률 분포 추정부(310)는 가우시안 분포, Chi-Square 분포, log-normal 분포 등 고려하는 확률 분포 중에서 적어도 하나의 확률 분포로 가공하여 추정할 수도 있다.
일실시예에 따른 저장부(320)는 추정된 확률 분포를 저장하고 유지할 수 있다.
일실시예에 따른 센싱부(330)는 3상 모터로부터 진동 데이터를 실시간 측정하여 측정 데이터를 수집할 수 있다.
일실시예에 따른 판단부(340)는 측정 데이터가 상기 추정된 확률 분포에서 아우티지 확률(Outage Probability)에 해당하는지 여부를 판단할 수 있다.
일실시예에 따른 고장 판별부(350)는 판단 결과를 고려하여, 상기 3상 모터에 대한 고장을 판별할 수 있다.
일례로, 판단부(340)에서는 제1 임계값과 상기 제1 임계값 보다 작은 제2 임계값으로 구분하여 상기 아우티지 확률(Outage Probability)을 판단하고, 고장 판별부(350)에서는 측정 데이터가 제1 임계값 보다 작고 제2 임계값 보다 큰 경우에는 3상 모터에 대한 모니터링을 시작할 수 있다. 또한, 고장 판별부(350)는 측정 데이터가 제2 임계값 보다 작은 경우에는 3상 모터를 고장으로 판별할 수 있다.
일례로, 제1 임계값은 10%이고, 제2 임계값은 5%로 해석될 수 있으나, 이는 일실시예로서 다양한 수치로 설계변경될 수 있다.
다른 일례로, 판단부(340)는 측정 데이터가 특정 범위 내에서 존재하는 경우, 고장이 아니라고 진단할 수 있다. 또한, 아우티지 확률(Outage Probability)에 해당하는지 여부를 판단하기 위해, 범위가 기준값 이상으로 초과했는지 여부를 판단할 수 있다. 이 경우, 고장 판별부(350)는, 범위가 기준값 이상으로 초과한 경우에 3상 모터를 고장으로 판별할 수 있다.
일실시예에 따른 제어부(360)는 각 구성요소들의 전반적인 제어나, 각 구성요소들로부터 송수신되는 제어신호를 전달하는 기능을 담당할 수 있다.
정상 상태에서의 모터의 진동 데이터들을 수집하여, 이들 데이터가 특정 확률 분포를 따르는지를 확인할 수 있다.
일례로, 실측 데이터의 1차 모멘트로서 평균값, 2차 모멘트로서 분산값을 추정할 경우, 데이터들이 가우시안 분포, Chi-Square분포 등으로 모델화 하여 가장 잘 따르는 분포가 선택될 수 있다. 또한, 경우에 따라서는 측정값을 dB 값으로 변환하여 log-normal과 같은 분포를 따르는 지도 확인할 수 있다.
다른 일례로, 실측 데이터가 특정 범위내에서 존재하는 것으로 판단되면 고장이 아니라고 진단하고 측정치가 이 범위를 크게 벗어나게 되면 고장이 발생한 것으로 판단할 수 있다.
수집된 데이터의 추정된 분포에 대한 포함 여부만 판단하면 되므로 기존의 방법보다 진단이 빠르고 실시간으로 고장을 진단할 수 있다.
본 발명을 이용하는 경우, 스마트 공장에서 모터의 진동 데이터를 수집하여 분포를 미리 추정한 후, 이상치 데이터가 수집되었을 때 추정된 분포와 비교하여 이상치 여부를 판단할 수 있어 고장에 미리 대비할 수 있다.
또한, 안전이 중요한 전기 자동차, 기차 등 모터가 들어가는 이동체에 활용되어 실시간으로 이상치를 탐지할 수 있다.
뿐만 아니라, 본 발명은 수학적으로 증명된 이상치 탐지 방법을 기반으로 한다. 즉, 전류, 전압, 진동치와 같이 시계열 예측이 불가능한 측정 값을 이용한 고장 진단에 적용할 수 있다.
또한, 본 발명은 정상 상태에서의 실측 데이터들에 대한 확률 분포를 한번 추정하고 나면 그 이후에는 별도의 학습이나 검증이 필요없어 시계열 예측이나 인공지능 적용 방법보다 사용이 간편하다.
결국, 본 발명을 적용하게 되면, 스마트 공장 및 자동화 시장이 증가함에 따라 모터의 수요가 늘어나는 추세이므로 본 특허의 이상치 탐지 알고리즘의 수요가 매우 높고, 향후 전기차 시장에서 실시간 고장 진단에 활용될 수 있다.
도 4a는 모터로부터 측정된 시계열 모터 데이터(410, 420)를 나타내고, 도 4b는 모터로부터 측정된 시계열 모터 데이터(430, 440)를 나타내며, 도 4c는 모터로부터 측정된 시계열 모터 데이터(450)를 나타내는 도면이고, 도 4d는 측정된 시계열 모터 데이터들에 대한 분포를 비교하는 도면이다.
보다 구체적으로, 4a는 오래 사용된(Old)의 정속으로 동작하는 모터로부터 측정되는 시계열 모터 데이터(410, 420)이고, 도 4b는 Old버전의 가변속도로 동작하는 모터로부터 측정된 시계열 모터 데이터(430, 440)이다. 또한, 도 4c는 사용하지 않은 새 것의 가변속도로 동작하는 모터로부터 측정된 시계열 모터 데이터(450)를 나타내는 도면이고, 도 4d는 도 4a 내지 4c에서 측정된 시계열 모터 데이터들에 대한 분포를 비교하는 도면이다.
도 4a 내지 4c에서 측정된 시계열 모터 데이터들은 수집된 모터당 약 10만~11만개의 진동 데이터에 해당하며, 0으로 측정된 결측치 모두 제거된 값을 나타낸다.
이러한 시계열 모터 데이터들로부터는 측정 값이 일정한 문턱값 (threshold)을 넘어서면 이상이 있는 것으로 나타내는 CFAR (Constant False Alarm Rate)을 이용할 수 있다. 이를 위해서는, 오보(false alarm)에 의한 이상치 보고를 특정 퍼센트 이하로 조절해야 하나, 모터 진동 센서 감지에는 CFAR이 부적절하다.
이는 모터가 설치된 환경이나 진동 센서의 부착 부위 등에 따라 패턴이 다르기 때문이며, 분산이 큰 진동 센서 데이터 분포의 특성상 문턱값 설정에 따른 이상치 탐지가 어렵다.
본 발명은 진동 센서 데이터의 분포를 이용한 이상치(Anomaly) 탐지를 할 수 있으며, 랜덤한 양의 실수 값을 가지는 진동 센서가 따르는 분포를 추정해야 한다.
또한, 추정된 진동 센서 데이터의 확률 분포의 통계적 특성을 통해 이상치를 판단할 수 있다.
이를 위해, 본 발명에서는 Variance에 따른 확률 분포, Skew에 따른 확률 분포, Kurtosis에 따른 확률 분포를 이용할 수 있다.
도 5a는 Variance에 따른 확률 분포를 나타내는 도면이고, 도 5b는 Skew에 따른 확률 분포를 나타내는 도면이며, 도 5c는 Kurtosis에 따른 확률 분포를 나타내는 도면이다.
정상 상태에서의 모터의 진동 데이터들을 수집하여, 이들 데이터가 특정 확률 분포를 따르는지 확인할 수 있다.
이를 위해, 본 발명에서는 실측 데이터의 1차 모멘트로서 [수학식 1]을 활용하여 평균값(Mean)을 산출할 수 있다.
[수학식 1]
다음으로, 본 발명에서는 2차 모멘트로서 [수학식 2]를 활용하여 분산값을 추정할 수 있다.
[수학식 2]
분산값은 도 5a의 도면부호 510로 표현될 수 있다.
이 밖에도, 본 발명에서는 실측 데이터의 3차 모멘트로서 [수학식 3]을 활용하여 비대칭도(Skew)를 산출할 수 있다.
[수학식 3]
비대칭도(Skew)는 도 5b의 도면부호 520로 표현될 수 있다.
비대칭도(Skew)의 각각은 Positive Skew, Symmetrical Distribution, Negative Skew로 구분될 수 있고, 각각의 비대칭도는 Mean, Median, Mode로 식별되는 지점으로 구분될 수 있다.
본 발명에서는 실측 데이터의 4차 모멘트로서 [수학식 4]을 활용하여 첨도(Kurtosis)를 산출할 수 있다.
[수학식 4]
첨도(Kurtosis)는 도 5c의 도면부호 530으로 표현될 수 있다.
참고로, 도면부호 530에서 보는 바와 같이 측정 클러스터의 측정값이 극단으로 갈수록 높아지며, 첨도가 높을수록 편차 또는 특이치의 극단값이 커질 수 있다.
측정된 데이터들을 가우시안 분포, Chi-Square분포 등으로 모델화 하여 가장 잘 따르는 분포를 선택할 수 있다. 경우에 따라서는 측정값을 dB 값으로 변환하여 log-normal과 같은 분포를 따르는 지도 확인한다.
실측 데이터가 특정 범위내에서 존재하는 것으로 판단되면 고장이 아니라고 진단하고 측정치가 이 범위를 크게 벗어나게 되면 고장이 발생한 것으로 판단할 수 있다.
수집된 데이터의 추정된 분포에 대한 포함 여부만 판단하면 되므로 기존의 방법보다 진단이 빠르고 실시간으로 고장을 진단할 수 있다.
도 6a는 모터(Old, 정속)로부터 측정된 시계열 모터 데이터의 시뮬레이션 결과(610, 620)를 나타내는 도면이다.
시뮬레이션 결과(610)는 모터 데이터(410)로부터 추정되는 결과로서, 평균값(Mean) 58.73, 분산값(Variance) 1371.42, 비대칭도(Skew) 4.63, 첨도(Kurtosis) -25.60로 측정된다.
시뮬레이션 결과(620)는 모터 데이터(420)로부터 추정되는 결과로서, 평균값(Mean) 25.50, 분산값(Variance) 99.18, 비대칭도(Skew) 0.38, 첨도(Kurtosis) -0.24 로 측정된다.
도 6b는 모터(Old, 가변)로부터 측정된 시계열 모터 데이터의 시뮬레이션 결과를 나타내는 도면이다.
시뮬레이션 결과(630)는 모터 데이터(430)로부터 추정되는 결과로서, 평균값(Mean) 42.35, 분산값(Variance) 453.57, 비대칭도(Skew) 0.26, 첨도(Kurtosis) -1.30로 측정된다.
시뮬레이션 결과(640)는 모터 데이터(440)로부터 추정되는 결과로서, 평균값(Mean) 45.21, 분산값(Variance) 271.48, 비대칭도(Skew) 1.36, 첨도(Kurtosis) 3.94로 측정된다.
도 6c는 모터(New, 정속)로부터 측정된 시계열 모터 데이터의 시뮬레이션 결과를 나타내는 도면이다.
시뮬레이션 결과(650)는 모터 데이터(450)로부터 추정되는 결과로서, 평균값(Mean) 31.59, 분산값(Variance) 134.99, 비대칭도(Skew) 1.68, 첨도(Kurtosis) 6.61로 측정된다.
본 발명에서는 측정된 데이터가 특정 확률 분포를 따르는지 확인할 수 있다.
실측 데이터의 1차 모멘트, 2차 모멘트을 추정할 경우, 데이터들이 가우시안 분포, Chi-Square분포 등으로 모델화하여 가장 잘 따르는 분포를 선택할 수 있고, 측정값을 dB 값으로 변환하여 log-normal과 같은 분포를 따르는 지도 확인할 수 있다.
실측 데이터가 특정 범위내에서 존재하는 것으로 판단되면 고장이 아니라고 진단하고 측정치가 이 범위를 크게 벗어나게 되면 고장이 발생한 것으로 판단할 수도 있다.
결국, 본 발명을 이용하면 진동 센서 데이터의 분포 추정에 따른 이상치(Anomaly) 탐지를 이용하여 3상 모터의 고장을 진단할 수 있고, 진동 데이터들의 확률 분포를 추정하고, 측정치가 확률 분포에서 아우티지(outage)에 해당하는 값을 보이면 고장이 있다고 진단함으로써, 수학적으로 증명된 이상치 탐지 기술을 제공할 수 있다.
또한, 전류, 전압, 진동치와 같이 시계열 예측이 불가능한 측정 값을 이용한 고장 진단에 적용할 수 있고, 정상 상태에서의 실측 데이터들에 대한 확률 분포를 한번 추정하고 나면 그 이후에는 별도의 학습이나 검증이 필요없어 시계열 예측이나 인공지능 적용 방법보다 사용이 간편한 3상 모터의 고장 진단 기술을 제공할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (10)
- 정상상태에서의 3상 모터로부터 진동 데이터를 수집하여 확률 분포를 추정하는 단계;
상기 추정된 확률 분포를 저장하고 유지하는 단계;
상기 3상 모터로부터 진동 데이터를 실시간 측정하여 측정 데이터를 수집하는 단계;
상기 측정 데이터가 상기 추정된 확률 분포에서 아우티지 확률(Outage Probability)에 해당하는지 여부를 판단하는 단계; 및
상기 판단 결과를 고려하여, 상기 3상 모터에 대한 고장을 판별하는 단계
를 포함하는 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법. - 제1항에 있어서,
상기 아우티지 확률(Outage Probability)에 해당하는지 여부를 판단하는 단계는,
제1 임계값과 상기 제1 임계값 보다 작은 제2 임계값으로 구분하여 상기 아우티지 확률(Outage Probability)을 판단하는 단계
를 포함하고,
상기 3상 모터에 대한 고장을 판별하는 단계는,
상기 측정 데이터가 상기 제1 임계값 보다 작고 상기 제2 임계값 보다 큰 경우에는 상기 3상 모터에 대한 모니터링을 시작하는 단계;
상기 측정 데이터가 상기 제2 임계값 보다 작은 경우에는 상기 3상 모터를 고장으로 판별하는 단계
를 포함하는 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법. - 제2항에 있어서,
상기 제1 임계값은 10%이고, 상기 제2 임계값은 5%인 것을 특징으로 하는 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법. - 제1항에 있어서,
상기 진동 데이터를 수집하여 확률 분포를 추정하는 단계는,
가우시안 분포, Chi-Square 분포, log-normal 분포 중에서 적어도 하나를 고려하는 확률 분포 중에서 적어도 하나의 확률 분포로 가공하여 추정하는 단계
를 포함하는 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법. - 제1항에 있어서,
측정 데이터가 특정 범위내에서 존재하는지 판단하는 단계;
상기 측정 데이터가 특정 범위 내에서 존재하는 경우, 고장이 아니라고 진단하는 단계
를 더 포함하고
상기 아우티지 확률(Outage Probability)에 해당하는지 여부를 판단하는 단계는,
상기 범위가 기준값 이상으로 초과했는지 여부를 판단하는 단계
를 포함하며,
상기 3상 모터에 대한 고장을 판별하는 단계는,
상기 범위가 기준값 이상으로 초과한 경우에 상기 3상 모터를 고장으로 판별하는 단계
를 포함하는 진동 데이터의 확률 분포 추정에 따른 고장 진단 방법. - 정상상태에서의 3상 모터로부터 진동 데이터를 수집하여 확률 분포를 추정하는 확률 분포 추정부;
상기 추정된 확률 분포를 저장하고 유지하는 저장부;
상기 3상 모터로부터 진동 데이터를 실시간 측정하여 측정 데이터를 수집하는 센싱부;
상기 측정 데이터가 상기 추정된 확률 분포에서 아우티지 확률(Outage Probability)에 해당하는지 여부를 판단하는 판단부; 및
상기 판단 결과를 고려하여, 상기 3상 모터에 대한 고장을 판별하는 고장 판별부
를 포함하는 진동 데이터의 확률 분포 추정에 따른 고장 진단 장치. - 제6항에 있어서,
상기 판단부는,
제1 임계값과 상기 제1 임계값 보다 작은 제2 임계값으로 구분하여 상기 아우티지 확률(Outage Probability)을 판단하고,
상기 고장 판별부는,
상기 측정 데이터가 상기 제1 임계값 보다 작고 상기 제2 임계값 보다 큰 경우에는 상기 3상 모터에 대한 모니터링을 시작하고, 상기 측정 데이터가 상기 제2 임계값 보다 작은 경우에는 상기 3상 모터를 고장으로 판별하는 것을 특징으로 하는 진동 데이터의 확률 분포 추정에 따른 고장 진단 장치. - 제7항에 있어서,
상기 제1 임계값은 10%이고, 상기 제2 임계값은 5%인 것을 특징으로 하는 진동 데이터의 확률 분포 추정에 따른 고장 진단 장치. - 제6항에 있어서,
상기 확률 분포 추정부는,
가우시안 분포, Chi-Square 분포, log-normal 분포 중에서 적어도 하나를 고려하는 확률 분포 중에서 적어도 하나의 확률 분포로 가공하여 추정하는 것을 특징으로 하는 진동 데이터의 확률 분포 추정에 따른 고장 진단 장치. - 제6항에 있어서,
상기 판단부는,
상기 측정 데이터가 특정 범위 내에서 존재하는 경우, 고장이 아니라고 진단하고,
상기 아우티지 확률(Outage Probability)에 해당하는지 여부를 판단하기 위해, 상기 범위가 기준값 이상으로 초과했는지 여부를 판단하며,
상기 고장 판별부는, 범위가 기준값 이상으로 초과한 경우에 상기 3상 모터를 대한 고장으로 판별하는 것을 특징으로 하는 진동 데이터의 확률 분포 추정에 따른 고장 진단 장치.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220150258A KR20240069101A (ko) | 2022-11-11 | 2022-11-11 | 시계열로 측정된 3상 모터 진동 데이터의 분포 추정에 따른 고장 진단 방법 및 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220150258A KR20240069101A (ko) | 2022-11-11 | 2022-11-11 | 시계열로 측정된 3상 모터 진동 데이터의 분포 추정에 따른 고장 진단 방법 및 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20240069101A true KR20240069101A (ko) | 2024-05-20 |
Family
ID=91282807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220150258A KR20240069101A (ko) | 2022-11-11 | 2022-11-11 | 시계열로 측정된 3상 모터 진동 데이터의 분포 추정에 따른 고장 진단 방법 및 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20240069101A (ko) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160015240A (ko) | 2013-06-04 | 2016-02-12 | 마이크로소프트 테크놀로지 라이센싱, 엘엘씨 | 통신 채널을 통한 캡쳐 서비스 |
KR20190031554A (ko) | 2016-07-25 | 2019-03-26 | 사빅 글로벌 테크놀러지스 비.브이. | 가스 터빈의 연도 가스를 사용하여 탄화수소 스트림을 분해하는 방법 |
-
2022
- 2022-11-11 KR KR1020220150258A patent/KR20240069101A/ko unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160015240A (ko) | 2013-06-04 | 2016-02-12 | 마이크로소프트 테크놀로지 라이센싱, 엘엘씨 | 통신 채널을 통한 캡쳐 서비스 |
KR20190031554A (ko) | 2016-07-25 | 2019-03-26 | 사빅 글로벌 테크놀러지스 비.브이. | 가스 터빈의 연도 가스를 사용하여 탄화수소 스트림을 분해하는 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2966287T3 (es) | Sistema y procedimiento para la detección de anomalías y ciberamenazas en una turbina eólica | |
JP6008070B1 (ja) | 運用管理装置、運用管理方法、及び、運用管理プログラムが記録された記録媒体 | |
KR102025145B1 (ko) | 플랜트 데이터 예측 장치 및 방법 | |
US10496466B2 (en) | Preprocessor of abnormality sign diagnosing device and processing method of the same | |
JP7068246B2 (ja) | 異常判定装置、および、異常判定方法 | |
WO2015045319A1 (ja) | 情報処理装置、及び、分析方法 | |
JP2008250594A (ja) | 装置診断方法および装置診断用モジュールならびに装置診断用モジュールを実装した装置 | |
US8671315B2 (en) | Prognostic analysis system and methods of operation | |
JP6655926B2 (ja) | 異常診断システム | |
GB2476246A (en) | Diagnosing an operation mode of a machine | |
BRPI1101439B1 (pt) | Método para detectar a degradação do desempenho de um sensor em um aparelho de medição angular de fluxo | |
KR20180116577A (ko) | 건물 시스템 진단 방법 및 장치 | |
US20190332102A1 (en) | Machine health monitoring of rotating machinery | |
JP2013196698A (ja) | システム監視 | |
BR112017008507B1 (pt) | Instrumento e processo de validação de um sistema de monitoramento de um motor de aeronave e sistema de monitoramento de pelo menos um equipamento de um motor de aeronave | |
KR20200005202A (ko) | 기계 학습 기반의 설비 이상 탐지 시스템 및 방법 | |
KR20200010671A (ko) | 기계 학습 기반의 설비 이상 진단 시스템 및 방법 | |
KR102470112B1 (ko) | 원전의 지능형 상태감시 방법 및 시스템 | |
US20170286841A1 (en) | Monitoring device and monitoring method thereof, monitoring system, and recording medium in which computer program is stored | |
KR20230125116A (ko) | 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법 | |
KR20240069101A (ko) | 시계열로 측정된 3상 모터 진동 데이터의 분포 추정에 따른 고장 진단 방법 및 장치 | |
US7269536B1 (en) | Method and apparatus for quantitatively determining severity of degradation in a signal | |
CN113678107B (zh) | 检测和定位采集***中故障的方法和计算装置 | |
KR20240031891A (ko) | 입력 전류에 대한 rms 측정 값을 이용하여 유도전동기의 고장을 진단하는 방법 및 시스템 | |
KR20240031892A (ko) | 입력전류, 진동, 및 온도에 대한 센싱 결과를 이용하여 3상 모터의 고장을 진단하는 시스템 및 방법 |